本书结合了Python和机器学习两个热门领域，通过易于理解的知识讲解，帮助读者学习和掌握机器学习。
全书共20章，分为5篇。其中第1篇为基础入门篇，主要讲述Python机器学习入门、设置机器学习的环境、机器学习基础和统计分析数学基础等内容；第2篇为数据预处理篇，主要讲述了产生和加载数据集、数据预处理等内容；第3篇为机器学习算法篇，主要讲述了回归分析、决策树分析、支持向量机、聚类分析、集成学习、神经网络学习、卷积网络学习和模型评价等内容；第4篇为机器学习应用篇，主要讲述了图像识别、语音识别、期刊新闻分类和图形压缩4个机器学习应用；第5篇为项目实战篇，主要讲述了社交好友分析、电商点击率预估等。
本书适用于想了解传统机器学习算法的学生和从业者，想知道如何高效实现机器学习算法的程序员，以及想了解机器学习算法能如何进行应用的职员、经理等。
杨志晓，工学博士，副教授，现在河南牧业经济学院智能制造与自动化学院工作，从事计算机应用、控制理论与控制工程专业的教学与科研工作。研究方向主要有：人工智能理论及应用、人机情感交互、可信计算。
曾参与主持河南省重点科技攻关项目1项、河南省教育厅自然科学研究计划项目2项、河南省高校青年骨干教师资助计划项目、郑州市科技攻关项目各1项，主持省级鉴定项目5项，作为主要完成人参与省级项目10余项，参与国家“十一五”科技支撑计划项目1项，获省政府科技进步2等奖和3等奖各1项，获教育厅科技成果一等奖2项，二等奖4项。获国家授权发明专利2项（均为主持）等。
范艳峰，工学博士，教授。1995年至今，于河南工业大学信息科学与工程学院工作，教授。从事人工智能理论及应用的教学科研工作。
第一篇 基础入门篇
第1章 Python机器学习
入门 1
1.1 机器学习是人工智能的一个分支 2
1.1.1 什么是智能 2
1.1.2 智能的特点 4
1.1.3 人工智能及其研究内容 5
1.1.4 人工智能的主要学派 7
1.1.5 人工智能的研究和应用范畴 9
1.2 理解机器学习 10
1.2.1 学习与机器学习 10
1.2.2 机器学习的分类 11
1.2.3 典型的机器学习方法 12
1.2.4 深度学习 17
1.3 数据、大数据及其组织方式 18
1.3.1 数据及大数据 18
1.3.2 数据库与数据仓库 18
1.4 机器学习的一般步骤 19
1.5 本章小结 21
1.6 习题 21
1.7 高手点拨 21
第2章 设置机器学习的
环境 23
2.1 机器学习工具及Python
Anaconda的安装 24
2.1.1 机器学习工具 24
2.1.2 Python Anaconda 24
2.1.3 Python Anaconda版的安装
和使用 28
2.1.4 机器学习库scikit- learn 32
2.2 环境测试 33
2.3 综合实例—第一个机器学习
实例 34
2.4 本章小结 36
2.5 习题 36
2.6 高手点拨 36
第3章 Python机器学习
基础 39
3.1 NumPy数值计算基础 40
3.2 Matplotlib可视化基础 59
3.2.1 matplotlib.pyplot绘图元素和
基本流程 59
3.2.2 绘制散点图 60
3.2.3 绘制折线图和点线图 62
3.2.4 绘制柱状图 64
3.2.5 绘制饼图 67
3.2.6 绘制箱线图 69
3.2.7 绘制直方图 70
3.2.8 绘制子图 71
3.3 Seaborn统计数据可视化 72
3.3.1 特征关系可视化 73
3.3.2 特征分类别可视化 76
3.3.3 特征分布可视化 90
3.3.4 矩阵可视化 98
3.4 访问数据文件 101
3.4.1 NumPy访问二进制文件 101
3.4.2 Pandas访问文本文件 104
3.4.3 Pandas访问Excel文件 107
3.5 Pandas DataFrame操作 108
3.5.1 DataFrame对象及其属性 108
3.5.2 使用字典方式访问
DataFrame 110
3.5.3 使用属性方式访问
DataFrame 112
3.5.4 DataFrame访问行的特殊方法 113
3.5.5 使用DataFrame.loc[ ],
DataFrame.iloc[ ]对
DataFrame进行切片 114
3.5.6 更改DataFrame中的数据 119
3.6 综合实例—iris数据集特征、
特征间关系及分类别分析 121
3.7 本章小结 129
3.8 习题 129
3.9 高手点拨 130
第4章 统计分析数学基础及
Python实现 131
4.1 基本统计知识 132
4.1.1 中位数、众数、极差 132
4.1.2 相关性、协方差、相关系数、
协方差矩阵 133
4.1.3 数据的分组聚合 135
4.1.4 数据透视表与交叉表 136
4.2 NumPy统计分析 136
4.3 Pandas统计分析 140
4.3.1 Pandas DataFrame描述性
统计 141
4.3.2 Pandas DataFrame数据
离散化 146
4.3.3 使用GroupBy拆分数据并
进行描述性统计 150
4.3.4 使用agg方法聚合数据 157
4.3.5 使用apply方法聚合数据 160
4.3.6 使用transform方法聚合
数据 161
4.3.7 使用pivot_table创建
透视表 163
4.3.8 使用crosstab创建交叉表 171
4.4 综合实例—iris数据集统计
分析 173
4.5 本章小结 189
4.6 习题 189
4.7 高手点拨 190
第二篇 数据预处理篇
第5章 数据分析第一步—
产生和加载
数据集 191
5.1 使用NumPy的函数产生模拟
数据集 192
5.2 使用scikit-learn样本生成器
生成数据集 198
5.3 访问scikit-learn自带数据
文件 206
5.4 访问外部数据文件 210
5.5 综合实例—加载boston数据集、
另存为并重新访问 211
5.6 本章小结 214
5.7 习题 215
5.8 高手点拨 215
第6章 数据分析第二步—
数据预处理 217
6.1 数据预处理的基础知识 218
6.1.1 一般流程和常用方法 218
6.1.2 标准化和正则化 219
6.1.3 特征选择 221
6.1.4 特征降维—主成分分析、
线性判别分析 222
6.1.5 Pandas与scikit- learn数据
预处理概述 227
6.2 使用scikit-learn进行数据
预处理 228
6.2.1 使用sklearn对数据集进行
Z- score标准化 228
6.2.2 使用sklearn对数据集进行
极差标准化 232
6.2.3 使用sklearn对数据集
正则化 235
6.2.4 使用sklearn对数据集
二值化 238
6.2.5 使用sklearn进行缺失值
插补 239
6.2.6 使用sklearn对分类特征
编码 240
6.3 特征降维 242
6.3.1 PCA降维 242
6.3.2 LDA降维 247
6.3.3 TSNE降维 250
6.4 综合实例—breast_cancer
数据集预处理 253
6.5 本章小结 258
6.6 习题 259
6.7 高手点拨 259
第三篇 机器学习算法篇
第7章 回归分析 261
7.1 回归分析及常用方法 262
7.1.1 线性回归 262
7.1.2 逻辑回归 263
7.1.3 多项式回归 263
7.1.4 逐步回归 263
7.1.5 岭回归 263
7.1.6 套索回归 264
7.1.7 弹性网络回归 264
7.2 线性回归理论基础 264
7.3 使用scikit-learn进行线性
回归 266
7.4 使用scikit-learn进行岭回归 271
7.5 使用scikit-learn进行逻辑
回归 274
7.6 使用scikit-learn进行多项式
回归 280
7.6.1 单特征数据集多项式回归 280
7.6.2 多特征数据集多项式回归 285
7.7 综合实例—波士顿房价数据集
回归分析 291
7.8 本章小结 295
7.9 习题 296
7.10 高手点拨 296
第8章 分类算法—决策树
学习 297
8.1 决策树算法基础 298
8.1.1 信息熵、信息增益、信息
增益率 298
8.1.2 决策树算法 302
8.2 使用scikit-learn进行决策树
学习 303
8.3 综合实例—使用决策树对鸢尾花
数据集iris进行分类 314
8.4 本章小结 319
8.5 习题 319
8.6 高手点拨 320
新书资讯